# HunyuanVideoTransformer3DModel

Tencent에서 [HunyuanVideo: A Systematic Framework For Large Video Generative Models](https://huggingface.co/papers/2412.03603)을 통해 3D 비디오 유사 데이터용 Diffusion Transformer 모델을 소개했습니다.

다음 코드 스니펫으로 모델을 로드할 수 있습니다.

```python
from diffusers import HunyuanVideoTransformer3DModel

transformer = HunyuanVideoTransformer3DModel.from_pretrained("hunyuanvideo-community/HunyuanVideo", subfolder="transformer", dtype=torch.bfloat16)
```

## HunyuanVideoTransformer3DModel[[diffusers.HunyuanVideoTransformer3DModel]]

#### diffusers.HunyuanVideoTransformer3DModel[[diffusers.HunyuanVideoTransformer3DModel]]

```python
diffusers.HunyuanVideoTransformer3DModel(in_channels: int = 16, out_channels: int = 16, num_attention_heads: int = 24, attention_head_dim: int = 128, num_layers: int = 20, num_single_layers: int = 40, num_refiner_layers: int = 2, mlp_ratio: float = 4.0, patch_size: int = 2, patch_size_t: int = 1, qk_norm: str = 'rms_norm', guidance_embeds: bool = True, text_embed_dim: int = 4096, pooled_projection_dim: int = 768, rope_theta: float = 256.0, rope_axes_dim: tuple = (16, 56, 56), image_condition_type: str | None = None)
```

[소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_hunyuan_video.py#L841)

**매개변수:**

in_channels (`int`, 기본값 `16`) : 입력의 채널 수.

out_channels (`int`, 기본값 `16`) : 출력의 채널 수.

num_attention_heads (`int`, 기본값 `24`) : multi-head attention에 사용할 헤드 수입니다.

attention_head_dim (`int`, 기본값 `128`) : 각 헤드(head)의 채널 수입니다.

num_layers (`int`, 기본값 `20`) : 사용할 dual-stream 블록의 레이어 수입니다.

num_single_layers (`int`, 기본값 `40`) : 사용할 단일 스트림 블록의 레이어 수입니다.

num_refiner_layers (`int`, 기본값 `2`) : 사용할 refiner 블록의 레이어 수입니다.

mlp_ratio (`float`, 기본값 `4.0`) : 피드포워드 네트워크에서 은닉층 크기와 입력 크기의 비율입니다.

patch_size (`int`, 기본값 `2`) : 패치 임베딩 레이어에서 사용할 공간 패치의 크기입니다.

patch_size_t (`int`, 기본값 `1`) : 패치 임베딩 레이어에서 사용할 시간적 패치의 크기입니다.

qk_norm (`str`, 기본값 `rms_norm`) : attention 레이어의 query 및 key projection에 사용할 정규화 방법입니다.

guidance_embeds (`bool`, 기본값 `True`) : 모델에서 guidance embeddings를 사용할지 여부.

text_embed_dim (`int`, 기본값 `4096`) : 텍스트 인코더에서 생성된 텍스트 임베딩의 입력 차원입니다.

pooled_projection_dim (`int`, 기본값 `768`) : 텍스트 임베딩의 풀링된 투영 차원입니다.

rope_theta (`float`, 기본값 `256.0`) : RoPE 레이어에서 사용할 theta 값입니다.

rope_axes_dim (`tuple[int]`, 기본값 `(16, 56, 56)`) : RoPE 레이어에서 사용할 축의 차원입니다.

image_condition_type (`str`, *선택 사항*, 기본값 `None`) : 사용할 이미지 조건부 처리의 유형입니다. `None`인 경우 이미지 조건부 처리를 사용하지 않습니다. `latent_concat`인 경우 이미지가 latent 스트림에 연결됩니다. `token_replace`인 경우 이미지가 latent 스트림의 첫 번째 프레임 토큰을 대체하고 조건부 처리를 적용하는 데 사용됩니다.

[HunyuanVideo](https://huggingface.co/tencent/HunyuanVideo)에서 사용되는 비디오 유사 데이터용 Transformer 모델입니다.

#### forward[[diffusers.HunyuanVideoTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: LongTensor, encoder_hidden_states: Tensor, encoder_attention_mask: Tensor, pooled_projections: Tensor, guidance: Tensor = None, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)
```

[소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_hunyuan_video.py#L994)

**매개변수:**

hidden_states (`torch.Tensor`, shape `(batch_size, num_channels, num_frames, height, width)`) : 입력 `hidden_states`.

timestep (`torch.LongTensor`) : 노이즈 제거 단계를 나타내는 데 사용됩니다.

encoder_hidden_states (`torch.Tensor`, shape `(batch_size, sequence_len, embed_dims)`) : 사용할 조건 임베딩(프롬프트와 같은 입력 조건에서 계산된 임베딩).

encoder_attention_mask (`torch.Tensor`) : attention 과정에서 `encoder_hidden_states`에 적용되는 마스크.

pooled_projections (`torch.Tensor`, shape `(batch_size, projection_dim)`) : 입력 조건의 임베딩에서 투영된 임베딩.

guidance (`torch.Tensor`, *선택 사항*) : 모델의 guidance-distilled 변형에 사용되는 guidance scale 임베딩입니다.

attention_kwargs (`dict`, *선택 사항*) : 지정된 경우 [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py)의 `self.processor` 아래에서 정의된 `AttentionProcessor`로 전달되는 kwargs 사전입니다.

return_dict (`bool`, *선택 사항*, 기본값 `True`) : 일반 튜플 대신 `~models.transformer_2d.Transformer2DModelOutput`을 반환할지 여부.

**반환값:**

`return_dict`가 True이면 `~models.transformer_2d.Transformer2DModelOutput`이 반환되고, 그렇지 않으면 첫 번째 요소가 샘플 텐서인 `tuple`이 반환됩니다.

[HunyuanVideoTransformer3DModel](/docs/diffusers/main/ko/api/models/hunyuan_video_transformer_3d#diffusers.HunyuanVideoTransformer3DModel)의 forward 메서드입니다.

## Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

#### diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

```python
diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)
```

[소스](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)

**매개변수:**

sample (`torch.Tensor`, shape `(batch_size, num_channels, height, width)` 또는 [Transformer2DModel](/docs/diffusers/main/ko/api/models/transformer2d#diffusers.Transformer2DModel)이 discrete인 경우 `(batch size, num_vector_embeds - 1, num_latent_pixels)`) : `encoder_hidden_states` 입력에 조건부인 hidden states 출력입니다. discrete인 경우, 노이즈가 제거된 latent 픽셀에 대한 확률 분포를 반환합니다.

[Transformer2DModel](/docs/diffusers/main/ko/api/models/transformer2d#diffusers.Transformer2DModel)의 출력입니다.